对数变换、导数变换的高寒草地反射光谱特征分析与识别——以那曲地区HJ-1A/HSI图像为例

对比3种类型高光谱数据以及2种分类算法,从那曲地区HSI高光谱图像上识别4个草种。结合实地踏勘从HSI高光谱图像上采集藏北嵩草、紫花针茅、高山蒿草和小嵩草这4个草种的原始光谱反射率数据,并分别进行导数变换、对数变换,得到4个草种的原始光谱、一阶导数光谱、对数变换光谱。对这3种光谱数据进行谱线波形分异特征比较、单因素方差分析以及相关分析,从这3种光谱数据中提取出各自适用的敏感谱段,然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法,通过对HSI图像分类识别出4个草种。对比3种光谱数据各自分类图的识别精度,评价3种光谱数据敏感谱段的适用性;再将3种光谱数据的敏感谱段分别导入ICA-FCM算法,与KICA-NFCM算法分类结果比较对4个草种的识别精度。结果显示谱线波形分异特征比较、单因素方差分析以及相关分析表明,原始光谱、一阶导数光谱、对数变换光谱的敏感谱段分别为788~925, 711~742, 669~682与788~925 nm;使用这3种光谱数据进行KICA-NFCM分类,总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823;使用3种光谱数据进行ICA-FCM分类,总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异,为通过谱线波形分异特征比较选取敏感谱段创造条件;KICA-NFCM算法可以优化输入特征、并引入加权邻域空间信息计算隶属度函数,针对性解决了标准FCM算法在处理高光谱图像时,目标识别过程受邻域噪声影响,分类图像"椒盐效应"显著、同质区域连通性差的问题。结果表明:应用"对数变换光谱/KICA-NFCM算法"组合能够最准确的从HSI图像上识别4个草种,有效减少混分误判现象,为精准开展高寒草地成像高光谱观测提供技术基础。

基于高光谱图像的协同分层波谱识别——以兰州、榆林地区为例

提出协同分层波谱识别法,分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类,并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点:光谱信息高保真融合、敏感谱段提取、"椒盐效应"去除、消除"同物异谱"现象导致的误判,协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点,并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类,然后根据目视评判和定量评价,与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化;4尺度面向对象分割抑制"椒盐效应"的效果优于Savitzky-Golay卷积滤波、移动均值滤波;多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法,兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89.52%、0.852,较SVM分类分别提高18.68%和17.52%;榆林市Hyperion图像识别地物的总体精度、Kappa系数分别为91.12%、0.873,较SVM分类分别提高17.80%和16.89%。协同分层波谱识别法应用多种技术一体化解决Hyperion图像应用难点,有效利用导数波谱变化特征提取目标敏感谱段,在复杂环境下识别目标地类的能力优于SVM监督分类。